面向在线非法交易预测的多尺度注意力时空图卷积框架及其结果完整性审计

《Symmetry》：Modeling and Forecasting the Quantity and Spatio-Temporal Patterns of Online Illegal Transactions

　　建模和预测在线非法交易需要表征周期性时间变化、非均匀空间活动以及不断变化的局部条件。本文研究了一个由时空评估、自适应周期分解以及多尺度注意力时空图卷积（MASTGC）预测器组成的框架。该评估公式将稀疏空间邻域与预测依赖关系分离，区分网络模式与节点成员关系，并利用连通分量和有序激活事件来描述异常配置。分解方法将趋势与相对时间尺度分离，而MASTGC结合了图滤波、时间分支、通道注意力和循环处理。在最初报告的针对五个隐私保护重建数据集的对比中，MASTGC在与HA、LSTM、GCN-LSTM、STGCN和STGCN-LSTM的全部15项数据集-指标比较中误差最低。其在五个数据集上的平均MAE、MAPE和RMSE分别为26.002、3.218%和36.360。这些是所报告基线集内的描述性结果。修订版还明确了因果预处理，修正了评估和分解方程，并将数学一致性与实证验证区分开来。现有结果并未确立经过验证的非法事件检测、对当代预测方法的优越性，或情境先验的独立贡献。一项已执行的完整性审计检查了131,072种小图配置和14个方向性示例。对存档预测轨迹的独立重新计算揭示了异构性能，其中包括某些基线表现更好的子集。在构建的训练网络上，四种当代方法的40个保存拟合结果保留在存档中。其展示的seed-20261曲线和带星号表格条目应用了一种公开的、依赖于真实数据的1.4残差放大；这些是后处理示意图，而非实测模型性能。历史六方法曲线、汇总数值和消融结果保持不变。不同的训练来源、重复使用的目标以及人为的展示变换，阻碍了受控的十方法排名或独立的真实数据验证。